Fuzzy TOPSIS - Análise de Ações

Bibliotecas

import yfinance as yf
import pandas as pd
import numpy as np
from sklearn.preprocessing import MinMaxScaler

Download dos Dados

# Tickers da carteira
tickers = ['BRFS3.SA', 'JBSS3.SA', 'BEEF3.SA', 'MRFG3.SA', 'TSN', 'HRL', 'GIS']

# Download dos preços históricos
dados = yf.download(tickers, start="2024-10-01", end="2025-04-25", progress=False)

# Verificação dos dados baixados
if isinstance(dados.columns, pd.MultiIndex):
    downloaded_tickers = dados.columns.levels[1].tolist()
    available_tickers = [ticker for ticker in downloaded_tickers if not dados[('Close', ticker)].isnull().all()]
else:
    if not dados.empty:
        available_tickers = [ticker for ticker in tickers if not dados[ticker].isnull().all()]
    else:
        available_tickers = []

if not available_tickers:
    raise ValueError("❌ Nenhum dado foi baixado. Verifique os tickers e o período.")

print(f"✅ Dados baixados para: {', '.join(available_tickers)}")

C:\Users\kuiav\AppData\Local\Temp\ipykernel_36060\1853906305.py:5: FutureWarning:

YF.download() has changed argument auto_adjust default to True

✅ Dados baixados para: BEEF3.SA, BRFS3.SA, GIS, HRL, JBSS3.SA, MRFG3.SA, TSN

Preparação dos Dados

precos = pd.DataFrame()

for ticker in available_tickers:
    if ('Adj Close', ticker) in dados.columns and (not dados[('Adj Close', ticker)].isnull().all()):
        precos[ticker] = dados[('Adj Close', ticker)]
    elif ('Close', ticker) in dados.columns and (not dados[('Close', ticker)].isnull().all()):
        print(f"⚠️ Usando 'Close' para {ticker}, pois 'Adj Close' não está disponível.")
        precos[ticker] = dados[('Close', ticker)]
    else:
        print(f"❌ Dados insuficientes para {ticker}. Ignorando.")

if precos.empty:
    raise ValueError("❌ Nenhuma coluna válida encontrada para análise.")

precos = precos.dropna()

if precos.empty:
    raise ValueError("❌ Dados insuficientes após remoção de valores nulos.")

⚠️ Usando 'Close' para BEEF3.SA, pois 'Adj Close' não está disponível.
⚠️ Usando 'Close' para BRFS3.SA, pois 'Adj Close' não está disponível.
⚠️ Usando 'Close' para GIS, pois 'Adj Close' não está disponível.
⚠️ Usando 'Close' para HRL, pois 'Adj Close' não está disponível.
⚠️ Usando 'Close' para JBSS3.SA, pois 'Adj Close' não está disponível.
⚠️ Usando 'Close' para MRFG3.SA, pois 'Adj Close' não está disponível.
⚠️ Usando 'Close' para TSN, pois 'Adj Close' não está disponível.

Cálculo de Retornos

retornos_diarios = precos.pct_change().dropna()

if retornos_diarios.empty:
    raise ValueError("❌ Retornos diários insuficientes.")

retorno_medio_anual = (retornos_diarios.mean() * 252) * 100
risco_anual = (retornos_diarios.std() * np.sqrt(252)) * 100

df = pd.DataFrame({
    'Ticker': retorno_medio_anual.index,
    'Retorno Esperado (%)': retorno_medio_anual.values,
    'Risco (%)': risco_anual.values
})

df

	Ticker	Retorno Esperado (%)	Risco (%)
0	BEEF3.SA	19.952812	52.777333
1	BRFS3.SA	-5.995730	38.618763
2	GIS	-44.667148	24.262770
3	HRL	-1.237448	21.940254
4	JBSS3.SA	82.872586	41.321218
5	MRFG3.SA	121.350365	47.075397
6	TSN	10.791442	22.756918

Normalização e Pesos (Fuzzy TOPSIS)

df_normalized = df.copy()

scaler_ret = MinMaxScaler()
df_normalized['Retorno Normalizado'] = scaler_ret.fit_transform(df[['Retorno Esperado (%)']])

scaler_risk = MinMaxScaler()
df_normalized['Risco Normalizado'] = 1 - scaler_risk.fit_transform(df[['Risco (%)']])

peso_retorno = 0.6
peso_risco = 0.4

df_normalized['Retorno Ponderado'] = df_normalized['Retorno Normalizado'] * peso_retorno
df_normalized['Risco Ponderado'] = df_normalized['Risco Normalizado'] * peso_risco

Cálculo do TOPSIS

ideal_positivo = [
    df_normalized['Retorno Ponderado'].max(),
    df_normalized['Risco Ponderado'].max()
]

ideal_negativo = [
    df_normalized['Retorno Ponderado'].min(),
    df_normalized['Risco Ponderado'].min()
]

distancia_positiva = np.sqrt(
    (df_normalized['Retorno Ponderado'] - ideal_positivo[0])**2 +
    (df_normalized['Risco Ponderado'] - ideal_positivo[1])**2
)

distancia_negativa = np.sqrt(
    (df_normalized['Retorno Ponderado'] - ideal_negativo[0])**2 +
    (df_normalized['Risco Ponderado'] - ideal_negativo[1])**2
)

df_normalized['Índice Similaridade'] = distancia_negativa / (distancia_positiva + distancia_negativa)
df_normalized['Rank'] = df_normalized['Índice Similaridade'].rank(ascending=False)

Resultado Final

resultado = df_normalized[['Ticker', 'Retorno Esperado (%)', 'Risco (%)', 'Índice Similaridade', 'Rank']].sort_values(by='Rank')
resultado

	Ticker	Retorno Esperado (%)	Risco (%)	Índice Similaridade	Rank
5	MRFG3.SA	121.350365	47.075397	0.649640	1.0
4	JBSS3.SA	82.872586	41.321218	0.627660	2.0
6	TSN	10.791442	22.756918	0.522833	3.0
3	HRL	-1.237448	21.940254	0.492352	4.0
2	GIS	-44.667148	24.262770	0.381066	5.0
1	BRFS3.SA	-5.995730	38.618763	0.312154	6.0
0	BEEF3.SA	19.952812	52.777333	0.300945	7.0